REM-Bildanalyse mit KI-Segmentierung

Die Größen von Partikeln, Fasern oder Poren in einer Mikroskopaufnahme von Hand zu messen, kostet Zeit, und das Ergebnis hängt davon ab, wer misst. Mit einer Grauwertschwelle lassen sich Objekte nur dort vom Hintergrund trennen, wo sie sich in der Helligkeit unterscheiden. In GeoDict, der Software für digitale Materialentwicklung von Math2Market, lässt sich ein neuronales Netz zur Bildsegmentierung für ein Material und eine Art von Aufnahme trainieren, und die Objekte im ganzen Bild werden damit segmentiert.

Ergebnisse einer Analyse

  • Partikelgrößen, Partikelformen und ihre Größenverteilung.
  • Faserdurchmesser und ihre Streuung.
  • Poren- oder Zellgrößen und ihr Flächenanteil.
  • Ein Messblatt je Bild mit den markierten Objekten, den Werten und zu jedem Wert seiner Stelle im Bild.

KI-Segmentierung und Prüfung

Das Modell ist ein 2D-U-Net, und jedes Objekt wird am segmentierten Bild vermessen. Vor dem Einsatz wird die Messkette an synthetischen Bildern mit bekannten wahren Werten geprüft. Eine im Schnitt oder in der Projektion gemessene Größe ist nicht die 3D-Größe des Objekts, und ob Poren miteinander verbunden sind, lässt sich aus einem Bild nicht ablesen.

Bildserien

Ist die Messkette einmal eingerichtet, läuft sie je Bild ohne manuelle Schritte und eignet sich für Serien vieler Aufnahmen, etwa in einem Analyselabor. Welche Objekte zählen und welche aus welchem Grund verworfen werden, ist schriftlich festgelegt und gilt für jedes Bild gleich.

Beispiele

In der Fallstudie werden die Zellen eines Schaums in einer REM-Aufnahme vermessen, die zu den Trainingsbildern des Modells gehörte. Das Ergebnis ist also kein Test an einem unbekannten Bild.

Analyse von Mikroskopaufnahmen

cvt engineering bietet die Auswertung von REM-Aufnahmen und anderen 2D-Mikroskopbildern als Dienstleistung an. Trainiert wird das Segmentierungsmodell an Aufnahmen Ihres Materials derselben Art wie die zu vermessenden Bilder.

Verwandte Seiten: KI-gestützte Entwicklung von Filtermedien und Vliesstoffen, Digitale Entwicklung poröser Transportschichten (PTL) für die PEM-Elektrolyse, Digitale Zwillinge keramischer Membranschichten aus Nano-CT